华为 2012转计算产品线 经验帖

前面学习了JVM，现在补充性的学习一下JUC

自我介绍&八股起手1.简单自我介绍，重点说说导师项目，或者掌握比较好的知识？2.了解Python吗？3.项目中用到的MySQL的索引类型有哪些？分别的底层原理是什么？4.MySQL主流的存储引擎是哪里两个？5.它们有什么区别？6.那你讲讲具体JVM的双亲委派机制，为什么有这个机制？7.双亲委派机制应用场景？解决什么问题？8.JVM的GC判断哪些对象可回收？AI相关的内容————————————————9.了解AI、大模型相关内容吗？（回答MCP之类的）10.知道MCP是干嘛的吗？11.用过大模型相关技术解决日常问题吗？12.了解机器学习吗？监督学习和非监督学习是什么？13.做过数据处理...

翻遍各种大模型的实现，虽然结构上可能保留了 dropout 的实现，但是采样概率都设置为 0 了。唯一一个比较新的，还用 Dropout 的模型是 Meta 训练的 Galactica 模型。那为什么现在不用了呢？核心还是要弄清楚 Dropout 的使用场景。Dropout 之前在深度学习当中是一个特别好用的方法，可以防止过拟合，提高泛化。所以说，当模型较大，数据较少的时候，使用 Dropout 是比较合适的。现在大模型处在什么状态呢？✅预训练在预训练阶段，目前可能还是处于欠拟合的状态。之所以说可能，是基于目前公开的一些论文的出的结论。但是现在闭源的公司在采用大量数据合成的情况下，已经训练足够充分或者接近充分也说不定。以 llama 一系列论文为例，训练 llama 1 的时候，龙猫 Scaling law 里面提到 GPT3 是一个训练很不充分的模型。然后给出的数据配比的建议是，10B 的模型要采用 200B 的 token 来训练。但是 llama 1 采用了 7B 的模型，训练量 1T 的 token 发现性能依然有提升。而且预训练所有的语料一般只过一个 epoch，某些特定的领域可能过 2个 epoch，可以认为样本的重复率很低。所以，在数据足够多，多样性足够而且没有太多重复的情况下，大模型在预训练阶段仍然没有过拟合的风险。也就完全不需要采用 dropout。✅Dropout 就完全不需要了么？如果上面的条件不能满足，Dropout 还是有用武之地的。比如前面提到的 Galactica 模型。这个模型和其他大模型不太一样的地方是训练了 4.25 个 epoch，因为他们认为高质量的数据更重要一些，但是又没有那么多，所以就 repeat 数据了。在论文《To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis》 中，详细列举了数据 Repeat 对训练 LLM 的影响，并且证明了 Dropout 可以缓解数据重复带来的性能损失。在文章《Can LLMs learn from a single example?》中，也提到了在 SFT 的时候，少量的重复数据就会降低模型的性能。这也符合常理，SFT 的数据分布和预训练的通常是不太一样的，重复的数据会让模型拟合新的分布，从而忘掉旧的分布。文中同样也提到 Dropout 可以缓解数据重复带来的影响。所以 Dropout 在数据量较少，多样性不高，需要 repeat 的场景下，依然是一个减少过拟合的很方便的手段。比如现在已经有一些在 LoRA 微调的时候采用 Dropout 的研究了。      

自我介绍毕业想从事什么方向的工作聊一下自己做的项目（我自己挑了一个黑马点评）UV统计怎么做的？为什么要这么实现呢？用HyperLogLog为什么不会占用很大空间呢？16KB怎么去存储这个数据呢好友关注怎么做的项目的哪个点是有挑战性的（回答了优惠券秒杀）秒杀为什么要用消息队列Redis挂了怎么办（回答用集群方案来解决）整个集群挂了就不行了对吧？（面试官追问 回答考虑限流）但你的库存信息都是在 Redis 里面，对吧？就是限流，你取不到库存了吗你怎么保证那个 Redis 里面库存和 DB 里面的库存它是一致的，没有可能出错？你那个 Redis 你去做扣减库存怎么保障它的原子性呢？不用lua脚本会带...